- 综合排序
- 最热优先
- 最新优先
- 来自专栏晓枫说
晓枫说：你做不好公关，是你不懂公关也可以精准化
很多做公关的，尤其是初创公司的公关人员，常常会遇到无话可说、无传播点可谈的尴尬境地，事实上，这很大程度上源于没有针对所在企业可能辐射的圈层，制定针对性的内容框架和传播策略。 三、合适的时机，做合适的事情 让我们把视线拉回到创业公司这个维度，正如前文所说，很多初创公司公关人员囷于找不到传播点，而无法有效发挥公关的价值。 事实上，现阶段的创业公司，至少面临着三大公关困境，分别是——没有传播点、没有媒体资源、没有钱。 而这对应着三大纲领，即如何寻找传播点，如何找资源以及如何省钱。我想，这也算是公关精准化的另一个视角。 创业公司如何做公关？第一思路依然在于如何确定传播点。不管是创始人还是做公关的或营销的人，我觉得这是一个基础的逻辑。从大环境来看，2018年是IPO大年，大家会比较关注这些企业重大的动态。 因此在明确好企业差异化的传播点之后，在广度和深度上进行权衡，筛选出领域内适宜的媒体平台，既要能分辨传播度高的媒体，也要根据传播情况考虑要不要在广度上做更多覆盖。
50330发布于 2019-04-11 - 来自专栏罗西的思考
Pytorch 如何实现后向传播 (3)---- 引擎动态逻辑
[源码解析] Pytorch 如何实现后向传播 (3)---- 引擎动态逻辑 0x00 摘要 前文我们提到了 autograd 引擎的静态架构，本文开始我们从动态角度看看引擎是如何运作的。 就是后向传播时候有多个输入根，这时候怎么办？ 2 -> 1 -> 0 // / // 2 -> 3 -> 0 2 < 3, yet there exists a path from 2 to 3! 4.3 可重入反向传播 4.3.1 示例 从PyTorch 的测试代码之中可以看到，在反向传播之中也会调用反向传播。 在这种情况下，Engine 之内会存在多个 GraphTask。
1.6K40发布于 2021-11-02 - 来自专栏罗西的思考
PyTorch如何实现前向传播(3) --- 具体实现
[源码解析] PyTorch如何实现前向传播(3) --- 具体实现 目录 [源码解析] PyTorch如何实现前向传播(3) --- 具体实现 0x00 摘要 0x01 计算图 1.1 图的相关类 1.2 本系列前几篇连接如下： 深度学习利器之自动微分(1) 深度学习利器之自动微分(2) [源码解析]深度学习利器之自动微分(3) --- 示例解读 [源码解析]PyTorch如何实现前向传播(1) --- ., requires_grad=True) X = a ** 3 Y = 3 * X Z = b ** 2 Q = X - Z external_grad = torch.tensor(1.) 使用步骤 3 中的新Variable实例（就是前向计算的结果 Q）来初始化 SubBackward0 实例的 input_metadata_， 这样，就得到了如何进行 Q 的反向传播，但此时只是得到了如何计算 3）再将 前向计算 & 与反向传播 联系起来 ：前向运算之后得到新的Variable，这个就是 Q，使用步骤2) 中的 SubBackward0 实例初始化 Q 的 autograd_meta_->grad_fn
1.6K10发布于 2021-10-26 - 来自专栏ShowMeAI研究中心
NLP教程(3) | 神经网络与反向传播
点击 第3讲-词向量进阶 和 第4讲-神经网络反向传播与计算图 查看的课件注释与带学解读。更多资料获取方式见文末。 我们以下图为例，让我们从“误差共享/分配”的来阐释一下反向传播，现在我们要更新 W_{14}^{(1)} ： [反向传播（单样本形态）] ① 我们从 a_1^{(3)} 的1的误差信号开始反向传播 ② 然后我们把误差与将 z_1^{(3)} 映射到 a_1^{(3)} 的神经元的局部梯度相乘。 所以有 \delta_1^{(3)}=1 ③ 这里误差信号1已经到达 z_1^{(3)} 。 z_1^{(3)} 的误差信号为 \delta_1^{(3)} )。
1K51编辑于 2022-05-04 - 来自专栏科技向令说
公关战之下，分裂的今日头条
从上周三开始，今日头条和腾讯的战争进入白热化，一系列的公关战和诉讼，都宣示着移动互联网时代最后一战打响。 1 感谢今日头条，让我看到公关的“超限战”如何进行——假借核心党媒，对竞争对手的游戏业务发起“大字报”一样的攻击，并在拥有数亿用户的产品上进行全量推送。 ? 2 虽然很多人都把头腾大战与7年前的 3Q 大战做对比，但从结果来看，今日头条获得的收益与舆论支持，显然无法与当年的360相比。 所以，盛大游戏公关总监赵继文称：“头条赚游戏的钱，又砸游戏的牌子，（对这种操作）整体游戏行业应该都比较反感。” 3 当今日头条拿游戏来说事的时候，可曾想过它的主业——信息流和短视频其实跟游戏一样，同在“内容”这一条舆论风险和政策风险极高的大船上？ 来回顾下今年头条系经历的一些风波。
55530发布于 2018-08-21 - 来自专栏AI风云之路
机器学习(3)--BP神经网络反向传播推导
其中， 所以， 至此，我们通过反向传播求出了需要优化的参数的梯度。 为学习率。
42700发布于 2021-02-22 - 来自专栏往期博文
深度学习基础：3.反向传播和梯度下降
反向传播 通过反向传播，可以计算各变量的导数。 x = torch.tensor(1. 举例说明 有数据集表示如下： x y 1 2 2 4 3 6 假设，我们使用 y {2})=-\frac{1}{2},w_2=\frac{3}{2},w_3=w_2-\alpha*grad(w_2)=\frac{3}{2}-\frac{1}{2}(-\frac{1}{2})=\frac =grad(\frac{7}{4})=-\frac{1}{4},w_3=\frac{7}{4},w_4=w_3-\alpha*grad(w_3)=\frac{7}{4}-\frac{1}{2}(-\frac {1}{4})=\frac{15}{8} grad(w3)=grad(47)=−41,w3=47,w4=w3−α∗grad(w3)=47−21
57910编辑于 2022-06-14 - 来自专栏人称T客
联想“投票门”事件 看危机公关的处理
在3GPP组织的5G eMBB方案第一轮（RAN1#86bis）投票的时候，联想集团基于自身前期技术和专利储备，选择了LDPC技术方案。 联想的第一次辟谣声明表示：在3GPP（Generation Partnership Project）举办的有关5G标准的表决会议上，联想针对5G标准的Polar方案投票（该方案由华为、中国移动等中国企业主导 虽然联想第一时间由公关部发布辟谣声明，但是明显办法不多，联想的公关团队显然高估了自已的危机处理能力，根本就没有意识到事态发展的严重性，认为不停的对媒体进行公关删稿或者雇佣水军影响网友言论导向，没想到“中兴芯片事件 一招“高估了自已”的本想靠公关团队就能灭火的傲慢之举变成了“错估了形势”的引火自焚。下面的联想的回应就很能说明问题。 ? ? 不过通过联想的事件，也给很多企业上了一堂危机公关课。 第一、不要一味的在危机公关中标榜自己的产品和自已的功绩，你是危机公关还是在宣扬自已呢？ 第二、也不要试图瞒天过海，遇到问题就要解决问题，诚实是最好的危机公关。
1.2K50发布于 2018-06-06 - 来自专栏xiaosen
反向传播算法
反向传播算法的过程如下： 1.前向传播 输入数据通过网络的每一层前向传播，直到最后一层产生输出。 3.反向传播 通过链式法则从输出层反向逐层计算损失函数对每个参数（权重和偏置）的梯度。这涉及到对损失函数关于网络输出的导数，以及网络输出关于网络参数的导数的计算。 = z_1 * w_2_11+ z_2 * w_2_21+ z_3 * w_2_31 # print(z_1，z_2，z_3,y_pred) print("前向传播预测值为:", y_pred) #计算损失函数值 = z_1 * w_2_11 + z_2 * w_2_21 + z_3 * w_2_31 print("Final: ",y_pred) # print("前向传播预测值为:“, y_pred) loss 最后，我们使用matplotlib的3D功能来绘制函数曲面和梯度下降的路径。 在深入探讨神经网络反向传播算法之后，我们可以清晰地认识到这一机制在现代深度学习领域中的核心地位。
47510编辑于 2024-06-13 - 来自专栏机器学习算法与Python学习
反向传播算法
反向传播算法 目录 关键词 损失函数 反向传播算法 BP算法伪代码 上一篇----》神经网络 》点击查看 1 关键词 反向传播算法 Backpropagation Algorithm 批量梯度下降法 batch 我们现在来讲一下反向传播算法，它是计算偏导数的一种有效方法 3 反向传播算法 首先来讲一下如何使用反向传播算法来计算下式： ? 3 对l = nl-1, nl-2, nl -3, ...., 2 的各个层，第l层的第i 个节点的残差计算方法如下： ? 4 BP算法伪代码 反向传播算法可表示为以下几个步骤。 1 进行前馈传导计算，利用前向传导公式，得到L2, L3, ... 直到输出层Lnl 的激活值。 3 对于l = nl-1, nl-2, nl-3, ...., 2 的各层，计算： ? 4 计算最终需要的偏导数值： ? 下面，实现批量梯度下降法中的一次迭代： ? END
1.6K50发布于 2018-04-08 - 来自专栏图像处理与模式识别研究所
前反向传播
#32*2的矩阵 Y=[[int(x0+x1<1)] for (x0,x1) in X] print("X:\n",X) print("Y:\n",Y) #步骤2：定义神经网络的输入，参数和输出，定义前向传播过程 tf.placeholder(tf.float32,(None,2)) y_=tf.placeholder(tf.float32,(None,1)) w1=tf.Variable(tf.random_normal([2,3] ,stddev=1,seed=1)) w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1)) a=tf.matmul(x,w1) y=tf.matmul (a,w2) #步骤3：定义损失函数和反向传播方法 loss=tf.reduce_mean(tf.square(y-y_)) train_step=tf.train.GradientDescentOptimizer ，前向传播，反向传播，生成会话的过程。
78930编辑于 2022-05-29 - 来自专栏涓流
spring事务传播
Spring 事务的传播级别 Spring 事务传播级别与数据库事务隔离级别不同，传播分为 7 种级别: PROPAGATION_REQUIRED：Spring的默认传播级别，如果上下文中存在事务则加入当前事务 PROPAGATION_MANDATORY：该传播级别要求上下文中必须存在事务，否则抛出异常 PROPAGATION_REQUIRES_NEW：该传播级别每次执行都会创建新事务，并同时将上下文中的事务挂起 PROPAGATION_NEVER：该传播级别要求上下文中不能存在事务，否则抛出异常。 new User(); user3.setName("王五"); userService.addRequiresNew(user3); throw new RuntimeException new User(); user3.setName("王五"); try { userService.addRequiresNewException(user3);
93920编辑于 2022-06-28 - 来自专栏文武兼修ing——机器学习与IC设计
CNN的反向传播DNN中的反向传播卷积神经网络中的反向传播
DNN中的反向传播 反向传播算法是神经网络的训练的基本算法组成之一，在训练神经网络时，训练分为两个步骤：计算梯度和更新权值。其中反向传播负责的是梯度的计算，而训练算法的区分主要在更新权值的方式上。 池化层的梯度 池化层用于削减数据量，在这一层上前向传播的数据会有损失，则在反向传播时，传播来的梯度也会有所损失。一般来说，池化层没有参数，于是仅需要计算梯度反向传播的结果。 {array}{ccc} 0&0&0&0 \ 0&1& 2&0 \ 0&3&4&0 \ 0&0&0&0 \end{array} \right)$$ 若是最大值池化，假设每个窗口的最大值位置都是左上，则传播结果为 containing: (0 ,0 ,.,.) = 0 19 25 38 144 118 74 197 129 [torch.FloatTensor of size 1x1x3x3 ] 该代码中，前向传播为： $$\left( \begin{array}{ccc} 0&1&2 \ 3&4&5\ 6&7&8 \end{array} \right) * \left( \begin
1.6K90发布于 2018-04-27 - 来自专栏blog-技术博客
反向传播详解
反向传播 下降的幅度与斜率大小成正比,越到最小点时,每步应越来越小,防止调过头 某一点导数大小即可表现为 w的变化幅度 w - k * ▽J(w) ▽J(w)为正表示向左走 w变小 ,为负表示向右走 此时假设为bad network 0.1 1--------------------------1 0.2 2--------------------------2 假设为真实值 0.8 3- -------------------------3 此时需要做的就是提高0.2的值,减少其他 (但应该注意,增加2的激活值,比减少1的激活值重要) 变动的大小与 目标值与现在值之间的差成正比
82630发布于 2020-05-11 - 来自专栏技术随笔
深度学习 — 反向传播(BP)理论推导BP Math Principle前向传播反向传播应用实例Reference
前向传播 首先分析神经元h1： ![][01] [01]:http://latex.codecogs.com/png.latex? input_{(h2)}%20=%20w3%20%20x1%20+%20w4%20%20x2%20+%20b1 ! 在有新权重导入隐藏层神经元（即，当继续下面的反向传播算法时，使用原始权重，而不是更新的权重）之后，执行神经网络中的实际更新。 w1^+%20=%20w1%20-%20\eta*\frac{\partial%20J_{total}}{\partial%20w1} 同理可以更新参数w2，w3，w4。 当最初前馈传播时输入为0.05和0.1，网络上的误差是0.298371109。 在第一轮反向传播之后，总误差现在下降到0.291027924。 它可能看起来不太多，但是在重复此过程10,000次之后。
1.3K60发布于 2018-05-16 - 来自专栏诡途的python路
BP反向传播
排名第 2 并不是排名第 1 的两倍； 排名第 3 也不是排名第 2 的 1.5 倍。因此，我们需要用哑变量 来对 rank 进行编码。 把数据分成 4 个新列，用 0 或 1 表示。 转成哑变量 1、 用pd.get_dummies 将rank列，转成哑变量，新变量名前缀为：prefix='rank' 2、将原数据集admissions 和 1 进行列拼接； 3、 targets_train, features_test, targets_test # *************************************** """ GRE带隐藏层反向传播案例 ) def gre_bp_answer(features_train, targets_train, features_test, targets_test): """ gre反向传播函数 学习率 # 2、获取样本的数量和特征数量 n_reords, n_features = features_train.shape last_loss = None # 3、
68210编辑于 2021-12-30 - 来自专栏FreeBuf
恶意程序正潜入盗版3DMark等软件进行传播
据Bleeping Computer网站8月23日消息，网络安全研究人员发现了多个恶意软件传播活动，目标针对下载盗版软件的互联网用户。 该活动使用 SEO 投毒和恶意广告推高这些“带毒”的共享软件网站在 Google 搜索结果中的排名，据发现此事件的Zscaler 称，这些盗版软件包括了3DMark、Adobe Acrobat Pro等时下热门应用 【含恶意盗版软件的高排名搜索结果】 【网站重定向流程图】 这些传播恶意文件的重定向站点名称不那么花哨，并且位于“xyz”和“cfd”顶级域上。 今年6月，FreeBuf也曾报道过类似事件，信息窃取恶意软件隐藏在知名清理程序CCleaner中进行传播。 参考来源： https://www.bleepingcomputer.com/news/security/pirated-3dmark-benchmark-tool-delivering-info-stealer-malware
70610编辑于 2023-03-30 - 来自专栏HT
数字孪生 3D 科技馆的科学传播新模式
前言 科技馆是一种参与型体验型的博物馆，以传播科学知识、培养公众的科学创新技术为宗旨，并以其生动的展现方式得到公众的广泛欢迎。一直以来，我国科技馆的发展受到各种因素的制约和影响，发展缓慢。 图扑科技作为厦门市级重点软件企业，积极响应科技馆发展新模式，采用 Hightopo 自主创新的 HT for Web 可视化产品搭建的智慧科技馆，为科技馆赋能，在科学传播方式上更具“智慧性”。 信息技术、网络技术、人工智能及自动化，为科技馆带来了新的活力，全方位的科学传播体验使得智慧科技馆亮点纷呈。 除此之外，HT for Web 自主研发的 2D、3D 引擎，经过搭建场景、搭配数据面板以及动画驱动制作了卫星发射 demo，1:1 模拟了火箭升空及卫星绕轨。 Hightopo 建立的基于 HTML5 的太阳系 3D 可视化系统，主要展示 8 大行星绕太阳公转轨道、相对位置、星体质量、资源含量等信息，相对位置清晰直观，3D 地形与等高线图对应，海拔高度和相互遮挡关系都可以准确把握
53410发布于 2021-11-04 AI 赋能公关影像 2026 CIPPU北京峰会共绘行业新蓝图
2026年3月30日，由公关影像行业联盟（CIPPU）主办、特别支持方佳能（中国）有限公司、协办方喔图和神牛以及多家行业头部企业鼎力支持的2026CIPPU北京峰会圆满召开。 当下，人工智能技术飞速迭代，数智化浪潮席卷各行各业，公关影像作为品牌传播、形象塑造、舆情公关的重要载体，正迎来技术革新与产业升级的关键机遇期。 传统公关影像在拍摄、制作、传播、复盘等环节，存在效率偏低、成本偏高、创意受限等痛点，而AI技术的普及应用，正逐步打破行业发展瓶颈，推动公关影像从传统人工制作向智能化、高效化、精准化转型，成为行业升级的核心驱动力 峰会内容聚焦行业痛点与发展机遇，核心演讲环节包括：深耕公关摄影近30年、佳能中国CPS大使，喔图国际公关摄影大使、神牛光影特邀讲师张克雷，以“AI工具托底，公关摄影告别不确定”破题，拆解智能技术如何实现降本增效 专业技能”双轮驱动模式，指导影像人借助智能技术提升内容产出效率；在科技赋能议题中，影像公司的嘉宾，用案例解析了智能设备、智能灯光的应用方案；用AI工具、图片直播等软件系统，提升公司的管理效率，放大客户的传播价值
7000编辑于 2026-03-31- 来自专栏科技向令说
响铃：从苗寨失火事件看公关借势的正确姿势
面对灾难等敏感性话题，企业或组织行动之前就得首先确定这事能不能去掺和，比如有明显政治元素在内的人祸就最好不要碰，只有符合品牌调性又较为安全的传播话题才是我们借势公关的基点。 而且它的传播原则首先是真实可信，绝不能有任何虚假。当然，公共关系信息传播也要讲究引人注目，但“引人注目”是从属于真实性，是为真实性服务的。 最后，还得建立开放“参与感”式的主动传播机制。原来社会性公关的信息传播路径主要是新闻传播的手段，如新闻稿、新闻发布会、报纸、杂志等。 陷阱一、公关传播没有一劳永逸 公共借势是一项长期的工作，需要贯穿在经营管理的全过程中且处于全局性的地位，急功近利的方式是很难奏效的。而且这种传播形式的整体效益是难于通过利润的尺度来直接衡量的。 总之，当传统PR依赖的传统传播方式正在死亡，新媒体营销模式正在前行，对于公关借势，我们还有更多的事情要做。
37930发布于 2018-08-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号